FastLoop: 基于GPU加速的视觉SLAM中的并行循环闭合
FastLoop: Parallel Loop Closing with GPU-Acceleration in Visual SLAM
AI总结：
本文提出FastLoop，通过GPU加速减少视觉SLAM中循环闭合的计算复杂度，实验显示在不同数据集上实现1.4x至3.0x的加速，同时保持系统精度。
摘要：
视觉SLAM系统结合视觉跟踪与全局循环闭合以保持一致的地图和准确的定位。循环闭合是一个计算成本高的过程，因为需要在整个地图上搜索匹配项。本文提出了FastLoop，一个基于GPU的循环闭合模块，以缓解这一计算复杂性。我们识别了视觉SLAM循环闭合流水线中的关键性能瓶颈，并通过在GPU上的并行优化解决这些问题。具体来说，我们使用任务级和数据级并行性，并集成了基于GPU的位姿图优化。我们的实现基于ORB-SLAM3，并利用CUDA进行GPU编程。实验结果表明，FastLoop在EuRoC数据集上实现了1.4x和1.3x的加速，在TUM-VI数据集上实现了3.0x和2.4x的加速，分别在桌面和嵌入式平台上，同时保持原始系统的精度。
英文摘要：
Visual SLAM systems combine visual tracking with global loop closure to maintain a consistent map and accurate localization. Loop closure is a computationally expensive process as we need to search across the whole map for matches. This paper presents FastLoop, a GPU-accelerated loop closing module to alleviate this computational complexity. We identify key performance bottlenecks in the loop closing pipeline of visual SLAM and address them through parallel optimizations on the GPU. Specifically, we use task-level and data-level parallelism and integrate a GPU-accelerated pose graph optimization. Our implementation is built on top of ORB-SLAM3 and leverages CUDA for GPU programming. Experimental results show that FastLoop achieves an average speedup of 1.4x and 1.3x on the EuRoC dataset and 3.0x and 2.4x on the TUM-VI dataset for the loop closing module on desktop and embedded platforms, respectively, while maintaining the accuracy of the original system.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
